Penerapan Data Science
dalam Klasifikasi Sampah Otomatis

pada Industri Daur Ulang
🍀 Solusi berbasis Data Science dan Machine Learning untuk Masa Depan Berkelanjutan
Kelompok 5 — Data Science Team TI-4A
Mohamad Rifki Hanifudin2495114008
Ahmad Faizal Bahri2495114009
Muhammad Lutfi Maulana2495114039

Kondisi Industri Daur Ulang di Indonesia

278,7 juta Populasi Indonesia
69,2 juta ton Volume Sampah/Tahun
34,5% Sampah Belum Terkelola

Tantangan Utama:

●
Material bernilai ekonomi tinggi (plastik 18,5%, kertas 13,2%) masih berakhir di TPA
●
Pemilahan manual dengan kecepatan rendah (30-45 objek/menit)
●
Tingkat kesalahan manusia hingga 20% akibat kelelahan

Permasalahan Pemilahan Manual

⏱️
Lambat & Tidak Efisien
Volume sampah sangat besar, kemampuan manual terbatas, terjadi penumpukan dan penurunan kapasitas produksi.
💰
Biaya Operasional Tinggi
Membutuhkan banyak tenaga kerja untuk gaji, pelatihan, dan pengawasan pekerja.
⚠️
Tingkat Kesalahan Tinggi
Kelelahan dan keterbatasan konsentrasi menyebabkan kesalahan identifikasi material sampah.
♻️
Efektivitas Rendah
Material bernilai seperti plastik dan logam tidak dapat dimanfaatkan optimal dalam daur ulang.
Diperlukan pendekatan otomatis, cepat, dan akurat untuk mengklasifikasikan sampah

Solusi: Klasifikasi Sampah Otomatis

Memanfaatkan Data Science & Machine Learning (Computer Vision)
1
Conveyor Belt
→
2
Pemindaian Kamera
→
3
Pemrosesan Model
→
4
Klasifikasi
→
5
Pemilahan Otomatis
Convolutional Neural Network (CNN)
Model deep learning untuk ekstraksi fitur visual dari gambar sampah
Computer Vision
Pengenalan pola dari bentuk, tekstur, dan warna untuk identifikasi jenis sampah
Real-time Processing
Klasifikasi otomatis dengan tingkat akurasi tinggi secara real-time

Dampak Bisnis

📈
Peningkatan Efisiensi
+150%
Proses otomatis memproses volume lebih besar dalam waktu sama
💵
Penurunan Biaya
-40%
Mengurangi ketergantungan pada tenaga kerja manual
✓
Peningkatan Akurasi
95%
Klasifikasi konsisten mengurangi tercampurnya material

Manfaat Tambahan:

✓
Peningkatan tingkat recovery material bernilai (plastik, logam, kertas)
✓
Meningkatkan citra perusahaan & komitmen sustainability (ESG)
✓
Mengurangi sampah yang berakhir di TPA
✓
Menciptakan model bisnis yang lebih berkelanjutan dan kompetitif

Daftar Pustaka

Abdan, M. R., & Akbar, M. (2025). Klasifikasi Sampah Daur Ulang Menggunakan Convolutional Neural Network dan Gray Level Co-Occurrence Matrix. Jurnal Informatika Teknologi Dan Sains (Jinteks), 7(3), 1211–1220.
Aprilla, A., Prihartono, W., & Rohmat, C. L. (2024). Optimasi model klasifikasi citra sampah daur ulang dengan algoritma YOLO11. Jurnal Khatulistiwa Informatika, 12(2), 92–97.
Kurniawan, R. S., & Rosyani, P. (2024). Klasifikasi jenis sampah menggunakan algoritma Convolutional Neural Network (CNN). Jurnal Sistim Informasi dan Teknologi, 6(3), 118–123.
Thio, S. E., & Susilo, J. (2025). Identifikasi Pemilahan Sampah Berbasis Algoritma Transfer Learning CNN Menggunakan MobileNetV2 dan EfficientNetB0. Bit-Tech, 8(1), 25–32.
Purba, M. E., et al. (2025). Klasifikasi sampah organik dan anorganik menggunakan algoritma CNN. Jurnal Sifo Mikroskil (JSM), 26(1), 37–54.
Sihananto, A. N., et al. (2022). Pemilahan jenis sampah menggunakan algoritma CNN. SCAN, 17(3), 23–27.
Kementerian Lingkungan Hidup dan Kehutanan (KLHK). (2023). Laporan Sistem Informasi Pengelolaan Sampah Nasional (SIPSN).
Logo Perusahaan

Terima Kasih

"Dari Sisa Menjadi Sumber Daya"
Kelompok 5 — Data Science Team TI-4A